研究背景

近年来，随着现实世界对机器自主性需求的增加，例如自动驾驶汽车、无人机和协作机器人，深度神经网络在这些领域中的应用得到广泛研究。应用过程中，由于实时响应的需求和有限的能源供应，能源和计算效率显得尤为重要。最近，生物学中的脉冲神经网络 (SNN) 为这些应用提供了可行的解决方案。SNN旨在弥合神经科学和机器学习之间的差距，使用生物学上逼真的神经元模型进行计算。由于其功能与生物神经网络相似，SNN包含了生物学中的稀疏性，并且与时间代码高度兼容。来自美国阿肯色大学的Ngan Le博士团队回顾了SNN的基本原理及相关应用，并对其未来前景进行了展望。

研究过程与结果

首先，综述全面回顾了生物神经元理论，并介绍了各种现有的基于脉冲的神经元模型。目前已经有多种脉冲神经元模型可供用户选择，它们对生物准确性和计算可行性做了很好的权衡。

图为生物神经元和突触的典型结构。

随后，作者详细介绍了突触模型，并对人工神经网络进行了回顾；提供了基于脉冲神经元模型训练的详细指导；综述还对现有基于脉冲的神经元框架进行了修订。

图为基于脉冲时序依赖可塑性 (STDP) 学习规则的两个神经元的权重变化。

最后，作者介绍了SNN在计算机视觉和机器人领域中的应用。综述指出，SNN是现代计算机视觉和其他信号处理技术发展的驱动因素，因此人们也在考虑将SNN逐步用于计算机视觉中。事实上，SNN已被用作机器人的“大脑”，指导机器人的感知和行动，模仿自然界中捕捉到的行为。在机器人应用中，SNN最常见的应用涉及手工制作和调整，以适应特定的任务需求。此外，机器人开发的许多领域，例如运动系统，都受到了生物系统的启发。

研究总结

本综述总结了SNN的基本原理，并提供了关于SNN在计算机视觉和机器人应用中的文献综述，展示了SNN巨大的研究潜力。在过去的十年里，SNN受到极大关注，并在时间信息处理能力、低功耗和高生物学合理性方面展现出强大的优势。然而，想要充分发挥SNN的潜力仍然面临一些挑战。

阅读英文原文：https://www.mdpi.com/1704522

Brain Sciences 期刊介绍

主编：Stephen D. Meriney, University of Pittsburgh, USA

期刊主要发表神经科学研究领域相关的论文，涵盖但不限于认知神经科学、发育神经科学、分子与细胞神经科学、神经工程学、神经影像学、神经语言学、临床神经科学、系统神经科学、理论与计算神经科学、环境神经科学、教育神经科学、行为神经科学等多个分类和领域。

2023 Impact Factor：2.7

2023 CiteScore：4.8

Time to First Decision：15.6 Days

Acceptance to Publication：2.5 Days